Generative Recommenders

生成式推荐把部分推荐任务改写为 sequence generation：根据用户历史、上下文和候选集合生成 item、slate、解释或下一步行为。它不必完全替代 retrieval → ranking → re-ranking 漏斗，也可以只增强其中一层。

Task Forms

Form	Generates	Main challenge
Next-item generation	下一个 item token / ID	超大 item vocabulary、冷启动
Slate generation	有顺序的一组 item	去重、约束、整体效用
Intent generation	query、topic、user intent	与真实消费行为对齐
Explanation generation	文本理由	faithfulness 与安全
Unified sequence modeling	行为、内容和反馈序列	tokenization 与长序列成本

Representation Choices

• 直接使用 item ID 简单，但无法自然泛化到新 item。
• Semantic ID 或 codebook 压缩 item space，但需要保持语义和唯一性。
• 文本或多模态表示支持内容泛化，却增加编码与 serving 成本。

Constrained Generation

推荐结果必须满足 catalog、库存、安全、业务规则和用户权限。常见做法包括 constrained decoding、candidate mask、post-filter 和生成后 re-ranking。

Evaluation

除 Recall/NDCG 外，还需要检查：

• invalid、duplicate 与 out-of-catalog rate；
• slate diversity、coverage 与 long-term value；
• latency、token cost 和 cacheability；
• 新 item / 新用户 slice；
• offline improvement 是否转化为在线指标。

建议先理解 Retrieval、Ranking 与 Re-Ranking，再判断生成式方法解决了哪一层的真实限制。